BriefGPT - AI 论文速递
·
恶意软件检测中机器学习对 Mal-API-2019 数据集的综合评估
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本研究使用机器学习技术对恶意软件检测进行了全面研究，重点评估了在 Mal-API-2019 数据集上使用各种分类模型的效果。结果显示，随机森林和 XGBoost 是在恶意软件检测中表现最好的集成方法，具有更高的准确性、精确度和召回率。论文还讨论了限制和未来的潜在方向，为网络安全领域做出了贡献。
🎯
关键要点
- 本研究使用机器学习技术对恶意软件检测进行了全面研究。
- 重点评估了在 Mal-API-2019 数据集上使用各种分类模型的效果。
- 研究旨在通过更有效地识别和减轻威胁来提升网络安全能力。
- 探讨了集成和非集成的机器学习方法，如随机森林、XGBoost、K 最近邻（KNN）和神经网络。
- 强调数据预处理技术的重要性，特别是 TF-IDF 表示和主成分分析。
- 结果显示，随机森林和 XGBoost 在恶意软件检测中表现最佳，具有更高的准确性、精确度和召回率。
- 讨论了研究的限制和未来的潜在方向，强调适应恶意软件演变的需求。
- 研究为网络安全领域的持续讨论做出了贡献，并提供了开发更强大恶意软件检测系统的实用洞察。
➡️
